File size: 6,242 Bytes
4e96b7a |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 |
# Prompt Template
Questo template è stato generato automaticamente per il progetto.
## Template
```
---
## Prompt Template: **Modulare e Riutilizzabile per Progetto Tecnico**
### **SEZIONE CONTESTO**
```
# **Descrizione del Progetto**
Descrivi brevemente il progetto, includendo obiettivi principali e scopo.
**Nome Progetto**: {PROJECT_NAME}
**Descrizione Generale**: {PROJECT_DESCRIPTION}
- **Obiettivi Principali**:
1. {OBJECTIVE_1}
2. {OBJECTIVE_2}
3. {OBJECTIVE_3}
**Tecnologie Utilizzate**:
- Linguaggi: {LANGUAGES_USED}
- Librerie/Framework:
1. {LIBRARY_1}
2. {LIBRARY_2}
3. {LIBRARY_3}
**Architettura del Progetto**:
- Struttura generale: {ARCHITECTURE_OVERVIEW}
- Moduli chiave:
- {MODULE_1}
- {MODULE_2}
- {MODULE_3}
**Obiettivi e Requisiti Funzionali**:
1. {REQUIREMENT_1}
2. {REQUIREMENT_2}
3. {REQUIREMENT_3}
```
---
### **SEZIONE ISTRUZIONI**
```
# **Istruzioni per Implementazione o Modifica**
Fornisci istruzioni dettagliate con placeholder che possono essere adattati a task specifici.
### **Passaggi da Seguire per Completare il Task**:
1. **Input e Setup**:
- Carica il file o dataset di esempio in formato: {INPUT_FORMAT}
- Configura le variabili d’ambiente utilizzando il file `{CONFIG_FILE}`.
2. **Anonimizzazione e Analisi**:
- Utilizza il modulo `{ANONYMIZATION_MODULE}` per eseguire l'anonimizzazione dei dati con il seguente comando:
```
python {SCRIPT_NAME} --input {INPUT_PATH} --output {OUTPUT_PATH}
```
- Per implementare un nuovo modello di NER, inserisci il modello `{NEW_MODEL_NAME}` nella configurazione del modulo `{NER_MODULE}`.
3. **Integrazione Multi-Agente**:
- Definisci gli agenti richiesti nel file `{AGENT_CONFIG_FILE}`.
- Avvia la pipeline tramite il comando:
```
python {AGENT_SCRIPT} --config {AGENT_CONFIG_PATH}
```
4. **Modifica o Implementazione Specifica**:
- Sostituisci `{PLACEHOLDER_CODE_OR_FUNCTION}` nel modulo `{SPECIFIC_MODULE}` come segue:
```
def {FUNCTION_NAME}(params):
# New implementation here
return updated_result
```
### **Dettagli di Configurazione**
- File di configurazione richiesti:
- `{CONFIG_FILE_1}`
- `{CONFIG_FILE_2}`
- Variabili d’ambiente chiave:
```
API_KEY={YOUR_API_KEY}
ENDPOINT={YOUR_ENDPOINT}
MODEL_NAME={MODEL_NAME}
```
### **Good Practices**
- **Backup**: Effettua un backup dei dati caricati nella cartella `{BACKUP_FOLDER}` prima di processarli.
- **Logging**: Utilizza sempre il modulo `{LOGGING_MODULE}` per monitorare l'esecuzione.
```
---
### **SEZIONE ESEMPI**
```
# **Codice di Esempio**
### **Anonimizzazione con Modulistica NER**
Esegui un mascheramento di dati sensibili utilizzando una regex e modelli NER.
```python
from transformers import pipeline
import re
def anonymize_text(text):
# Named Entity Recognition
ner_model = pipeline("ner", model="{MODEL_NAME}", tokenizer="{TOKENIZER_NAME}")
entities = ner_model(text)
# Mascherare con regex entità sensibili
anonymized_text = re.sub(r"{PATTERN}", "{MASKING_VALUE}", text)
return anonymized_text
input_text = "Informazioni sensibili: Nome=John, IBAN=DE89 3704 0044 0532 0130 00."
print(anonymize_text(input_text))
```
### **Esempio di RAG Workflow con LangChain**
Esegui il retrieval semantico su una knowledge base per rispondere a domande.
```python
from langchain.chains import RetrievalQA
from langchain.vectorstores import FAISS
from langchain.llms.openai import OpenAI
# Setup del modello e vector store
vector_store = FAISS.load_local("{VECTOR_STORE_PATH}")
qa_chain = RetrievalQA(llm=OpenAI(model="{GPT_MODEL}"), retriever=vector_store.as_retriever())
# Domanda di esempio
query = "Qual è l'analisi contenuta nel documento X?"
response = qa_chain.run(query)
print(response)
```
### **Orchestrazione Multi-Agente**
Utilizza CrewAI per analisi distribuita.
```python
from crewai.agent import Agent
from crewai.orchestrator import Orchestrator
# Definizione agenti
agent1 = Agent(name="SentimentAnalysisAgent", task="{TASK}", model="{MODEL_NAME}")
agent2 = Agent(name="SummarizationAgent", task="text_summary", model="{MODEL_NAME}")
# Orchestrazione
orchestrator = Orchestrator(agents=[agent1, agent2])
orchestrator.run(input_data="{INPUT_PATH}")
```
---
### **SEZIONE OUTPUT**
```
# **Formato Output Desiderato**
Specifica come l'output deve essere strutturato per soddisfare i criteri.
### **Formato e Struttura dei Dati**
- Formato file: {OUTPUT_FORMAT}
- Struttura dei dati:
```json
{
"document_id": "{ID}",
"analysis_results": {
"anonymization_status": "{STATUS}",
"key_insights": [
"{INSIGHT_1}",
"{INSIGHT_2}"
]
}
}
```
### **Criteri di Qualità dell’Output**
1. **Accuratezza**: Dati anonimizzati al 100% con nessuna informazione sensibile visibile.
2. **Completeness**: Ogni documento deve includere un set completo di analisi (anonimizzazione, sintesi, sentiment analysis).
3. **Formato Consistente**: Risultati esportati come JSON, leggibile e standard.
### **Guida per Validazione**
Esegui un controllo di validazione su campioni usando il modulo `{VALIDATION_MODULE}` e il comando:
```
python validate.py --input {OUTPUT_PATH} --schema {SCHEMA_PATH}
```
```
---
Questo prompt template modulare offre una struttura completa per descrivere, istruire e contestualizzare un progetto basato su tecnologie avanzate con Placeholders chiaramente definiti. È progettato per essere riutilizzabile su diversi tipi di implementazioni simili al progetto **Agentic RAG**.
```
## Come utilizzare
1. Copia il template sopra
2. Sostituisci le variabili con i valori appropriati
3. Utilizza per generare documentazione simile
*Generato automaticamente il 2025-06-30 14:46:10*
|